Avanzamento nella Classificazione delle Fasi del Sonno con SSNet

Il sonno è una parte fondamentale della vita, ci aiuta a stare bene e a mantenerci sani. Quando qualcuno si sente stanco dopo una notte intera di sonno o si sente svuotato durante il giorno, potrebbe essere un segnale di un disturbo del sonno. Alcuni problemi di sonno comuni includono la respirazione disturbata durante il sonno, i movimenti periodici delle gambe e l'insonnia. Circa il 30% degli adulti negli Stati Uniti ha problemi di insonnia. Inoltre, oltre 50 milioni di persone nel paese soffrono di disturbi del sonno, con circa 25 milioni diagnosticati con respirazione disturbata durante il sonno. Una diagnosi precoce di questi disturbi può aiutare a prevenire gravi problemi di salute come problemi cardiaci, problemi cognitivi, diabete, ictus e attacchi cardiaci ripetuti.

#Fasi del Sonno

Il sonno è diviso in cinque fasi secondo le linee guida dell'Accademia Americana della Medicina del Sonno. Queste fasi includono Veglia (W), tre fasi di Sonno Non-Rapido (NREM) (N1, N2 e N3) e il sonno REM. Di solito, le persone passano da W a NREM, poi a REM. Ogni fase ha diversi modelli di attività cerebrale registrati da sensori attaccati al corpo.

Le principali attività cerebrali durante queste fasi sono le onde alfa, theta e delta. La fase W mostra attività alfa, N1 è un sonno leggero con bassa attività alfa e un po' di attività theta, N2 presenta fusi del sonno unici, N3 è un sonno profondo contrassegnato da onde delta, e il REM è caratterizzato da onde theta rapide e a basso voltaggio.

#Panoramica dei Segnali Cerebrali

Per studiare il sonno, si usa comunemente la polisomnografia (PSG) nei laboratori del sonno. Questo sistema raccoglie vari segnali come Elettromiogramma (EMG), Elettrocardiogramma (ECG), Elettroencefalogramma (EEG) e Elettrooculogramma (EOG). Gli specialisti del sonno analizzano di solito manualmente questi segnali per classificare le fasi del sonno. Tuttavia, l'analisi manuale ha dei lati negativi, tra cui il fatto di essere dispendiosa in termini di tempo, soggetta a errori umani e scomoda per i pazienti. Quindi, automatizzare la classificazione delle fasi del sonno potrebbe migliorare significativamente la diagnosi negli ambienti sanitari.

#Ruolo della Tecnologia nell'Analisi del Sonno

I recenti progressi nella tecnologia hanno portato allo sviluppo di modelli di machine learning progettati per valutare segnali biomedici come EEG, EOG e EMG. Per esempio, sono stati creati modelli per rilevare condizioni come il morbo di Parkinson, monitorare i movimenti oculari e identificare problemi di ritmo cardiaco. Alcuni studi hanno anche cercato di classificare le fasi del sonno usando il machine learning.

Molti di questi studi si sono concentrati sull'analisi dei segnali EEG per classificare le fasi del sonno in tre categorie principali (W, NREM, REM) o cinque (W, N1, N2, N3, REM). Sono state studiate varie tecniche, incluso il Decomposizione del Modello Empirico abbinata a classificatori di potenziamento con campionamento casuale, che hanno ottenuto livelli di accuratezza decenti. Altri metodi includevano l'uso di filtri wavelet, estrazione di caratteristiche statistiche e macchine a vettori di supporto.

#Deep Learning per la Classificazione delle Fasi del Sonno

Negli ultimi anni, le tecniche di deep learning, specialmente quelle che utilizzano Reti Neurali Convoluzionali (CNN), hanno guadagnato popolarità per la classificazione delle fasi del sonno. Le CNN sono efficaci per vari compiti, inclusa la classificazione e il riconoscimento delle immagini. I ricercatori hanno proposto diversi modelli di CNN per classificare le fasi del sonno basati su segmenti di segnali EEG e EOG.

Ad esempio, è stato sviluppato un modello CNN per estrarre caratteristiche senza metodi di ingegneria delle caratteristiche aggiuntivi. Questo modello ha raggiunto buoni tassi di accuratezza per la classificazione delle diverse fasi del sonno. Altri modelli hanno combinato le CNN con meccanismi di attenzione o altri metodi di filtraggio riportando livelli variabili di prestazioni.

#Limitazioni degli Studi Esistenti

Nonostante i progressi, gli studi esistenti hanno limitazioni. Molti si basano su metodi di estrazione delle caratteristiche complessi, che possono richiedere molto tempo e risultare difficili. Inoltre, la maggior parte di questi modelli utilizza tipicamente solo un canale di segnali EEG, mentre altri segnali importanti come EMG ed EOG, che forniscono un contesto prezioso sull'attività muscolare e i movimenti oculari, sono spesso trascurati.

#Introduzione del Nuovo Modello: SleepStageNet (SSNet)

Questo studio introduce un modello di deep learning automatico chiamato SleepStageNet (SSNet) progettato per classificare le fasi del sonno in modo più efficace. SSNet utilizza una combinazione di segnali da EEG, EMG ed EOG. Il modello è composto da due reti di deep learning principali: una CNN per estrarre caratteristiche invarianti nel tempo e una rete di Memoria a Lungo e Breve Termine (LSTM) per catturare caratteristiche temporali dalla sequenza di segnali.

La combinazione di questi segnali consente una comprensione più ricca delle fasi del sonno rispetto all'uso dell'EEG da solo. I processi coinvolgono l'estrazione delle caratteristiche attraverso entrambe le reti e poi la loro combinazione per classificare le fasi del sonno.

#Preparazione dei Dati

#Dataset Utilizzati

Per questo studio, sono stati utilizzati due dataset pubblicamente disponibili: il dataset ISRUC-Sleep e il dataset Sleep-EDF Espanso. Ogni dataset include diverse ore di registrazioni PSG segmentate in intervalli di 30 secondi e etichettate secondo le classificazioni delle fasi del sonno stabilite.

#Dataset ISRUC-Sleep

Il dataset ISRUC-Sleep include 116 registrazioni con dati raccolti da vari canali, tra cui segnali EEG, EOG, EMG e ECG. Ogni registrazione dura circa otto ore e gli esperti del sonno hanno etichettato ciascun segmento di 30 secondi con una delle cinque fasi del sonno.

Questo dataset è ulteriormente diviso in gruppi in base allo stato di salute: individui con disturbi del sonno, quelli in trattamento e soggetti sani.

#Dataset Sleep-EDF Espanso

Il dataset Sleep-EDF Espanso è composto da 197 registrazioni e include due canali EEG, un canale EOG e un canale EMG per il mento. I segmenti sono anche etichettati da esperti del sonno e il dataset è diviso in registrazioni effettuate in diverse condizioni.

#Selezione dei Dati

Nello studio, sono stati selezionati segmenti da entrambi i dataset per prevenire l'overfitting e mantenere un equilibrio tra le etichette di classe durante la classificazione. Segmenti selezionati casualmente sono stati utilizzati per addestrare, validare e testare il modello. I dati del segnale grezzo sono stati normalizzati per garantire coerenza.

#Architettura di SSNet

L'architettura principale di SSNet coinvolge due reti di deep learning. La prima rete utilizza un modello CNN che estrae caratteristiche stabili dai segnali grezzi. La seconda rete usa LSTM per raccogliere caratteristiche nel tempo da sequenze di segnali.

La CNN si concentra sul rilevamento di modelli nei dati, mentre LSTM considera il contesto dei segnali precedenti per aiutare nella classificazione. Dopo che entrambe le reti estraggono le rispettive caratteristiche, queste caratteristiche vengono combinate e passate attraverso uno strato completamente connesso per la classificazione finale.

#Rete CNN

La prima parte di SSNet coinvolge più strati di 1D-CNN. Questi strati utilizzano filtri piccoli per concentrarsi su modelli specifici del segnale. Ogni strato CNN è accompagnato da strati di max-pooling per ridurre il numero di caratteristiche e uno strato di dropout per minimizzare l'overfitting. L'output di questa rete produce un numero prestabilito di caratteristiche, che saranno combinate con quelle della seconda rete.

#Rete LSTM

La seconda parte di SSNet consiste in strati LSTM che aiutano a catturare dipendenze a lungo termine dalle sequenze di segnali delle fasi del sonno. La rete LSTM ha componenti specifici che lavorano insieme per mantenere informazioni importanti nel tempo. Questa capacità consente al modello di fare classificazioni più informate basate su modelli rilevati nei segmenti precedenti.

#Valutazione delle Prestazioni del Modello

Per valutare le prestazioni di SSNet, sono state utilizzate diverse metriche, tra cui accuratezza, sensibilità, specificità e coefficiente Kappa. Queste metriche aiutano a determinare quanto bene il modello si comporta in vari compiti, soprattutto quando si tratta di dataset sbilanciati che possono complicare i risultati.

#Risultati

Il modello proposto SSNet è stato testato utilizzando sia il dataset ISRUC-Sleep che il dataset Sleep-EDF Espanso. I risultati mostrano l'efficacia del modello nella classificazione di tre e cinque fasi del sonno.

#Classificazione di Tre Fasi del Sonno

Quando si classificano tre fasi del sonno (W, NREM e REM) utilizzando il dataset ISRUC-Sleep, il modello ha raggiunto risultati elevati sia in accuratezza che in Kappa. L'accuratezza ottenuta è stata impressionante, indicando che il modello ha funzionato meglio rispetto a molti metodi precedenti.

Anche il dataset Sleep-EDF ha fornito risultati solidi, confermando la robustezza di SSNet. La combinazione di segnali EEG, EMG e EOG ha contribuito significativamente a ottenere queste elevate metriche di prestazione.

#Classificazione di Cinque Fasi del Sonno

Quando si classificano cinque fasi del sonno (W, N1, N2, N3 e REM), il modello ha mantenuto le sue buone prestazioni. L'accuratezza per questa classificazione è stata anch'essa notevolmente alta in entrambi i dataset, dimostrando la capacità di SSNet di gestire compiti di classificazione più complessi con successo.

#Confronto con Modelli Esistenti

Le prestazioni di SSNet sono state confrontate con diversi modelli all'avanguardia. Sia nelle classificazioni delle tre fasi che in quelle delle cinque fasi del sonno, SSNet ha superato molti modelli esistenti, ottenendo punteggi di accuratezza e Kappa superiori. Questo successo mette in evidenza i vantaggi dell'uso di una combinazione di segnali e dei metodi di deep learning implementati in SSNet.

#Importanza del Riconoscimento del REM

Riconoscere la fase REM è cruciale per diagnosticare i disturbi del sonno. Anche le prestazioni del modello nel riconoscere questa fase sono state valutate, mostrando promettenti alti tassi di precisione e richiamo superiori a quelli riportati da altri studi. Questa capacità suggerisce che la combinazione di segnali è particolarmente efficace per identificare accuratamente il sonno REM.

#Conclusione

Questo studio presenta SleepStageNet (SSNet), un modello di deep learning progettato per classificare le fasi del sonno utilizzando una combinazione di segnali EEG, EMG e EOG. L'architettura composta da reti CNN e LSTM cattura efficacemente sia le caratteristiche invarianti nel tempo che quelle temporali, portando a prestazioni elevate nella classificazione delle fasi del sonno.

SSNet offre diversi vantaggi rispetto ai metodi tradizionali, inclusa l'automazione del processo che rimuove il peso dell'analisi manuale e riduce la probabilità di errori. Insieme a forti metriche di prestazione, il modello dimostra il suo potenziale utilizzo per diagnosticare i disturbi del sonno negli ambienti clinici.

Le ricerche future possono esplorare ulteriormente il perfezionamento del modello e affrontare la sfida specifica di classificare accuratamente la fase di sonno N1. In generale, SSNet rappresenta un passo significativo avanti nella classificazione delle fasi del sonno e mette in evidenza il valore della tecnologia avanzata nella sanità.